딥시크가 등장했을 때 시장은 잠시 ‘중국이 미국을 이겼는가’라는 질문에 매달렸다. 하지만 오래 남은 변화는 승패가 아니었다. 강한 AI는 반드시 비싸고 닫혀 있어야 한다는 전제가 흔들리면서 기업의 계산법 자체가 달라졌다.
DeepSeek V4와 API 전환: 지금 달라진 점
딥시크는 2026년 4월 24일 API에 V4-Pro와 V4-Flash를 추가했다. 두 모델은 OpenAI Chat Completions 방식뿐 아니라 Anthropic 호환 인터페이스로도 쓸 수 있다. R1이 공개 모델의 파장을 만든 쪽이었다면, V4의 무게는 기업이 기존 개발 환경에서 모델을 갈아 끼우기 쉽게 만드는 쪽에 실려 있다.
더 직접적인 변화는 기존 모델 이름의 종료다. deepseek-chat과 deepseek-reasoner는 2026년 7월 24일 15시 59분(UTC)을 기준으로 지원이 끝났다. 지금 API를 운영 중이라면 성능 비교보다 먼저 모델명을 deepseek-v4-flash 또는 deepseek-v4-pro로 바꾸고, 응답 형식·도구 호출·비용을 다시 시험해야 한다.
세계 AI 담론의 한복판으로 중국 AI를 끌어올린 이름이 딥시크였다는 점에는 이견이 없다. 다만 업계가 실제로 들여다본 것은 조금 달랐다. 어려운 일을 단계별로 다루는 AI가 누구의 손에 들어가는지, 공개 모델이 개발자와 기업 고객의 선택지를 얼마나 넓히는지, 강화학습으로 키운 풀이 능력이 어떤 업무까지 내려오는지였다. 흔들린 것은 성능 하나가 아니라 답을 구성하는 방식, 공개 범위, 중국 AI를 향한 인식까지였다.
승패보다 물음의 이동
업계는 굵직한 발표에 끌린다. 새 모델이 나오고 공개 평가 결과가 올라가면 언론은 그것을 “충격”이라 부른다. 어떤 사람은 미국 AI의 독주가 끝났다고 했고, 어떤 사람은 중국 모델의 보안과 검열 위험을 앞세웠다. 둘 다 절반씩은 맞다. 다만 흥분을 내려놓고 층을 갈라 보면 남는 것이 더 분명해진다. 공개 범위와 훈련법, 라이선스와 계보, 사용 방식, 시장 반응은 각각 다른 이야기다.
공식 릴리스가 앞에 놓은 이름은 R1과 R1-Zero, 그리고 라마와 큐원 기반의 증류 버전이었다. 증류는 큰 AI의 풀이 능력을 더 작은 형태로 옮긴 결과물이다. 허깅페이스의 딥시크-R1 모델 카드에도 딥시크-R1-Zero와 딥시크-R1, 증류 밀집 버전이 함께 올라 있고 라이선스는 MIT로 표시돼 있다. 기술보고서는 강화학습으로 단계적 풀이 능력을 끌어내는 과정을 앞세운다.
공개 자료만 훑어도 폭이 좁지 않다. 단계적 풀이 능력과 열린 모델 파일, 증류 버전, 세계 개발자가 직접 시험해 볼 수 있는 길이 한 묶음으로 나왔다. 잘 만든 챗봇 하나를 내놓은 것과는 성격이 달랐다.
감정 대신 작동 원리로 보기
딥시크를 하나의 감정으로 몰아가면 금세 시야가 좁아진다. 흥분도 경계도 저마다 일부는 맞지만, 그것만으로는 결정을 내릴 수 없다. 모델이 실제로 풀 수 있는 일과 업무에서의 안정성, 사람이 살펴야 할 시간, 공개 범위, 보안과 제도상 제약은 각각 따로 재야 한다.
능력은 기술보고서와 외부 평가, 내부 업무 샘플을 겹쳐 놓고 가늠한다. 업무에 계속 쓰다 보면 출력 길이와 반복 입력 저장 효과, 사람이 확인하는 시간도 달라진다. 공개 범위는 모델 파일과 코드, 증류 버전과 라이선스, 계보에 따라 갈린다. 개인정보와 보안, 데이터 위치와 검열, 지정학은 또 다른 축이다.
이렇게 갈라 놓으면 “대단하다”와 “꺼림칙하다” 사이를 오가는 대신 드러난 사실과 아직 비어 있는 자리를 구분할 수 있다. 전환점이 클수록 이 구분이 필요해진다.
어려운 일을 단계별로 푸는 AI가 넓어졌다
가장 두드러진 변화는 어려운 일을 단계별로 푸는 능력이다. 업계에서는 이런 계열을 흔히 추론형 AI라고 부른다. 수학과 코딩, 논리 문제, 여러 단계를 거치는 의사결정, 외부 기능 사용 계획처럼 중간 풀이를 잘 다뤄야 하는 영역의 비중이 커졌다.
기술보고서는 R1-Zero가 지도 미세조정 없이 강화학습만으로 추론 능력을 탐색한 과정을 앞세운다. 딥시크-R1은 응답의 안정성과 사용성을 위해 여기에 단계를 더 얹은 버전이다. 큐원과 라마 계열을 바탕으로 한 증류 버전까지 함께 나오면서, 큰 시스템의 풀이 능력을 작은 형태로 옮길 여지도 열렸다.
산업 쪽으로 넘어오면 물음이 달라진다. 업무마다 필요한 AI의 강도가 같지 않기 때문이다. 복잡한 코드 수정과 긴 문서 분석에는 강한 시스템이 있어야 하지만, 반복 문의 분류나 공개 자료 요약, 간단한 초안 작성이라면 작은 모델로 충분한 경우가 많다. 논의가 “더 똑똑하다”에서 제품 설계로 옮겨 간 지점이 여기다. 어떤 업무에 어느 정도의 풀이 능력이 맞는지, 그 능력을 어디서 돌리고 사람이 어디까지 확인할지가 설계의 항목이 된다.
AI를 더 자주 시험하자 기대가 바뀌었다
또 하나의 충격은 더 많은 사람이 부담 없이 모델을 시험하게 되리라는 기대였다. 숫자보다 오래 남은 건 AI에 새로 맡겨 볼 일에 대한 상상력이다. 첫 비교가 가벼워지면 개발자는 더 자주 견줘 보고, 기업은 실험 범위를 넓힌다. 딥시크가 긴 문맥과 코딩, 에이전트형 작업을 내세운 새 발표를 예고했을 때도 시장은 같은 방향으로 반응했다.
공개 노선이 글로벌 인식을 바꿨다
두 번째 특징은 공개 방식이다. 모델 카드와 공식 릴리스는 모델 파일과 코드 공개, MIT 라이선스, 증류 버전을 전면에 내세웠다. 직접 돌려 보고 비교하고 파생 실험을 해 보라는 신호였다.
이를 호의로만 받아들이면 절반을 놓친다. 공개는 개발자 네트워크를 부른다. 개발자는 파일을 내려받아 실험하고, 튜토리얼을 만들고, 성능 평가를 돌리고, 오류와 한계를 공유한다. 기업은 도입 여부를 따지고, 시장은 공개 모델이 경쟁 구도에 미칠 파장을 잰다.
이미지도 함께 움직였다. 그동안 중국 AI는 내수 앱과 검열, 정책 통제의 틀 안에서 읽히는 일이 많았다. 거기에 글로벌 개발자가 직접 다뤄 보는 고성능 공개 모델이라는 인상이 겹쳤다.
물론 공개가 곧 믿고 써도 된다는 뜻은 아니다. 학습 자료의 투명성과 개인정보, 검열, 지정학적 위험은 그대로 남는다. 오픈웨이트라고 해서 기업 도입 절차가 사라지지도 않는다. 라이선스와 계보, 자료 처리, 실행 위치, 로그 처리, 오류 책임까지 따져 볼 항목이 길게 이어진다.
큰 모델의 능력을 작은 모델로 옮기는 일
기술보고서와 모델 카드에는 증류 버전도 함께 실린다. 증류는 큰 AI의 능력을 더 작은 형태로 옮기는 기술이다. 부록처럼 보이지만 산업 쪽에서는 무게가 다르다. 복잡한 풀이 능력이 작은 형태로 내려오면 제품과 기기, 실제 업무로 들어갈 길이 생긴다.
대형 AI는 능력이 큰 대신 운영이 무겁다. 서버와 지연 시간, 하드웨어 요구가 함께 늘어난다. 증류 버전은 능력에 제한이 있어도 더 다양한 환경에서 돌아가고, 어떤 업무에는 그 정도로 충분하다. 내부 문서 분류나 간단한 코드 보조, 반복적인 고객 문의, 범위가 좁은 질의응답이 그렇다.
여기서 도입 설계가 갈린다. 하나의 시스템으로 온갖 일을 처리하는 대신 난이도와 파급 범위에 따라 나눠 쓰게 된다. 반복 업무에는 작은 AI, 민감한 문서에는 내부에서 돌리는 AI, 복잡한 결정에는 강한 상용 AI에 사람이 마지막으로 확인하는 절차를 붙이는 식이다. 경쟁의 축도 “가장 큰 하나”에서 조합의 문제로 옮겨 간다. 경제성과 정확도, 보안, 지연 시간, 책임 경계를 따져 업무별로 짝을 맞추는 일이다.
보안과 개인정보는 별도 축이다
보안과 개인정보 우려도 따라왔다. 중국 AI 제품을 기업 업무에 쓸 때는 데이터가 어디로 이동하는지, 어떤 법적 관할의 영향을 받는지, 로그와 입력 내용이 어떻게 처리되는지, 기업의 고객 계약과 충돌하지 않는지부터 짚는다.
국내에서도 보안과 개인정보 우려는 구체적인 장면으로 드러났다. 2025년 딥시크 앱의 국내 서비스 잠정 중단과 개인정보보호위원회의 사전 실태점검 결과가 그 사례다. 여기서 남은 질문은 특정 모델을 일괄 배제하느냐가 아니라, 입력 데이터와 국외 이전, 보관 기간, 학습 활용 여부를 어떻게 따로 가를 것인가에 가까웠다.
여기서는 단정의 유혹을 피하는 편이 낫다. “불안하다”는 말로도, “공개 모델이니 괜찮다”는 말로도 결정은 내려지지 않는다. 어떤 환경에 어떤 데이터를 넣고 어디서 실행하며 누가 볼 수 있는지, 어떤 로그가 남고 오류가 나면 누가 책임지는지가 정리돼야 판단이 선다.
사용 여부도 한 번에 닫히지 않는다. 공개 문서 요약이나 개인 학습, 민감하지 않은 코드 실험처럼 위험이 낮은 영역이 있고, 내부 기획 문서와 고객 개인정보, 금융·의료·법률 문서처럼 더 조심할 영역이 있다. 용도와 데이터 등급, 실행 위치를 갈라 놓고 결정하는 것이 현실적이다. 딥시크를 대조 사례로 놓을 수는 있어도 전사 업무의 기본 모델로 두기 어려운 이유이기도 하다.
보안을 따로 짚는다고 해서 기술적 의미가 줄지는 않는다. 강한 기술일수록 사용 원칙이 더 촘촘해질 뿐이다.
딥시크 이후 생태계의 반응
한국 기업의 대응만 좇으면 절반을 놓친다. 눈여겨볼 쪽은 딥시크 이후 중국 AI 산업이 어떻게 움직였는가다. 도입의 첫 단계를 가볍게 만든 변화와 공개 노선은 모델 회사만 압박하지 않았다. 클라우드와 개발자 커뮤니티, 앱 기업, 자본시장, 정책 담당자에게 같이 번졌다. 강한 AI를 만드는 것만으로는 산업이 완성되지 않는다. 그 기술을 어떤 제품 운영법과 라이선스, 어떤 토대 위에 올리느냐가 곧바로 다음 경쟁이 됐다.
큐원은 공개 모델과 클라우드의 결합을 전면에 세웠고, 키미와 지엘엠은 긴 문맥과 코딩, 에이전트형 작업에서 스타트업의 속도를 증명했다. 바이두와 텐센트, 바이트댄스는 모델을 독립 상품으로 두지 않고 검색과 슈퍼앱, 콘텐츠 제작, 광고 시스템 안에 붙였다. 화웨이와 중국 클라우드 기업 쪽에서는 제재와 효율 압력 속에서 AI 운영 토대의 자립과 최적화가 얼마나 큰 변수인지가 드러났다.
한 회사의 성공담으로 접기에는 반응의 폭이 넓었다. 비교가 빨라지면 개발자는 더 자주 모델을 견줘 보고, 공개 모델이 늘면 응용 기업은 첫 시도를 앞당기며, 사람이 모인 앱을 가진 기업은 그 안에 AI를 넣어 행동 데이터를 쌓는다. 정책은 이 확산을 산업 적용 쪽으로 밀면서도 콘텐츠와 데이터, 알고리즘 책임을 제품 안으로 끌어들인다.
그래서 도입 여부만 세면 시야가 좁아진다. 선택지가 실제로 늘었는지, 공개 모델 생태계가 넓어졌는지, 사람이 모인 앱을 쥐고 있는지, AI를 돌릴 칩과 서버의 병목을 어떻게 우회하는지를 같은 장면 안에 놓아야 쏟아지는 모델명과 기업명이 지도 위에 자리를 잡는다.
신화로 만들지 않는 독해
가장 큰 함정은 신화화다. 기술적 성과가 뛰어나도 한계가 사라지지는 않는다. 보안과 개인정보, 글로벌 신뢰, 반도체 제약, 운영에서 풀어야 할 일, 데이터 투명성, 검열, 기업 고객의 도입 난점은 그 자리에 그대로 있다.
숫자를 다룰 때는 한 번 더 멈추는 편이 좋다. 모델 학습에 들어간 투입액과 답변 한 번을 만드는 데 필요한 연산, 공개 모델을 쓰는 방식, 기업 도입 과정은 서로 다른 항목이다. 어떤 숫자가 무엇을 가리키는지 놓치면 결론이 금세 부풀려진다. 첫 도입의 품이 줄어든 것은 사실이지만, 기업 도입에는 보안 절차와 시스템 통합, 품질 점검이 뒤따른다.
평가 결과도 같다. 특정 시험에서 높은 점수를 냈다면 볼 만한 신호이긴 하다. 다만 한국어 문서와 내부 업무 데이터, 고객 응대, 법무 문서, 금융 리서치에서도 같은 수준이 나온다고 단정하기는 이르다. 결국 자체 평가를 거치게 된다.
딥시크, 물음을 바꾼 전환점
딥시크가 흔든 것은 성능 순위가 아니라 선택의 잣대였다. 공개 자료 요약을 어디까지 맡길지, 코드 보조에는 사람이 어느 단계에서 확인할지, 고객 데이터가 들어가는 업무에는 어떤 모델을 어디에서 돌릴지. 딥시크 이전에는 굳이 따지지 않던 질문들이다. 흥분은 빨리 퍼지지만 결정은 이런 목록 위에서 내려진다.
자주 묻는 질문
딥시크 이후 시장의 질문은 어떻게 달라졌나?
“누가 이겼나”에서 “어디에 쓸 수 있나”로 옮겨 갔다. 강한 AI가 반드시 비싸고 닫혀 있어야 한다는 전제가 흔들리자, 기업이 따지는 항목이 비용 효율과 공개 범위, 그리고 그 성능을 실제 업무 어느 자리에 넣을지로 바뀌었다. 성능 순위표만으로는 답이 나오지 않는 질문들이다.
딥시크를 과장 없이 평가하려면 무엇을 봐야 하나?
신화화를 경계하고 성격이 다른 항목을 나누어 봐야 한다. 학습에 들어간 투입액, 답변 한 번의 연산 비용, 공개 범위와 라이선스, 실제 업무 성능은 서로 다른 축이라 하나로 뭉뚱그리면 결론이 금세 부풀려진다. 공개 평가 점수가 높아도 한국어 문서나 내부 데이터에서 같은 수준을 낸다는 보장은 없으니, 보안·개인정보 처리와 함께 자체 검증을 거쳐야 한다.
참고자료
- DeepSeek. (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. 원문 보기
- DeepSeek. (2025). DeepSeek-R1 Model Card. 원문 보기
- DeepSeek. (2024). DeepSeek API introduces Context Caching on Disk, cutting prices by an order of magnitude. 원문 보기
- DeepSeek. (접속: 2026년 5월). Models & Pricing. 원문 보기
- 개인정보보호위원회. (2025). ‘딥시크 앱’ 국내 서비스, 잠정 중단 후 개선·보완키로. 원문 보기
- 개인정보보호위원회. (2025). 개인정보위, 딥시크 서비스 사전 실태점검 결과 발표. 원문 보기
- Stanford Institute for Human-Centered Artificial Intelligence. (2025). AI Index Report 2025. 원문 보기
- Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026. 원문 보기
- DeepSeek. (2026). API Change Log: DeepSeek V4 and legacy model-name deprecation. 원문 보기